エキスパート: ONNXモデルによる手書き数字の認識例

[Automated-Trading]

ONNXモデルによる手書き数字の認識例:

このエキスパートアドバイザーは取引を行いません。標準的なCanvasライブラリを使って実装されたシンプルなパネルで、マウスを使って数字を書くことができます。数字の認識には、訓練されたmnist.onnxモデルが使用されます。

作者: Slava

[Vitaliy Kuznetsov]

取引において、ZZパターンとは異なる方法でチャートパターンを識別するのに役立ち、発見されたパターンの質を向上させる可能性さえあると理解しています。

[fxsaber]

キャンバスの実現を興味深く拝見しました。この画像認識のためのONNXモデルの計算量は、トレーニングの計算量をトレーニングサンプル数で割ったものに等しいということでよろしいでしょうか？

[Renat Akhtyamov]

まあね。9Sは認知度が低い

でも、値段は一巡しないから問題ないよ;)

直線的な数字を認識するのはとても良いことです。

パターン分類に役立つかもしれない

[fxsaber]

value 7 predicted with probability 0.9998406767845154

このモデルは非常に高速で、OnnxRunは100マイクロ秒で実行される。

[Slava]

fxsaber #:
この画像認識用ONNXモデルの計算量は、トレーニングの計算量をトレーニングサンプル数で割ったものに等しいということでよろしいでしょうか？

約2で割ったものです。学習過程では、順関数に加えて逆伝播関数（バックプロパゲーション）が呼び出されますが、この関数も学習サンプル数で割ってよいのでしょうか？

活性化関数と活性化関数の微分関数では計算量が異なることがあるため、約2で割る。

[fxsaber]

Slava #:

また、約2で割る。学習過程では、順伝播に加えて逆伝播関数が呼び出される。

活性化関数と活性化関数の微分関数では計算量が異なる場合があるため、約2で割る。

その結果、1つのコアでも学習は10秒もかからなかった。実に速い。

モデルの重みの数はどれくらいだろう。おそらく、最も単純な生物を動かす神経回路網よりもずっと原始的なものだろう。

[Slava]

fxsaber #:

シングルコアでもトレーニングは10秒もかからなかった。かなり速い。

モデルにはいくつの重みがあるのだろう。おそらく、最も単純な生物を動かす神経ネットワークよりもずっと原始的なものだろう。

モデルが原始的だから速いんだ。また、トレーニングは一度には終わらないことも念頭に置く必要がある。少なくとも15エポック、毎回6万枚の写真をシャッフルする。だから本当に速い。

レイヤー間の重みの数は、レイヤーの大きさの積である。mnist.onnxのレイヤーに関する情報はnetronaにある。